
library(testthat)

source("user_code.R")
test_that("returns a labeled string with all components", {
  out <- format_statistical_results(1.5, 0.05, 0.2, "Some effect detected.")
  expect_type(out, "character")
  expect_true(grepl("Statistic: 1.5", out), info = "Should include labeled statistic with value.")
  expect_true(grepl("p-value: 0.05", out), info = "Should include labeled p-value with value.")
  expect_true(grepl("Effect size: 0.2", out), info = "Should include labeled effect size with value.")
  expect_true(grepl("Interpretation: Some effect detected.", out), info = "Should include labeled interpretation with value.")
})

test_that("combines values correctly in output string", {
  out <- format_statistical_results(-2.4, 0.001, 0.78, "Strong negative association.")
  expect_match(out, "^Statistic: -2.4; p-value: 0.001; Effect size: 0.78; Interpretation: Strong negative association.$", 
    info = "Should match the exact required format and value order.")
})

test_that("handles both positive and negative statistic values", {
  out_pos <- format_statistical_results(3.2, 0.04, 0.5, "Positive effect.")
  out_neg <- format_statistical_results(-3.2, 0.04, 0.5, "Negative effect.")
  expect_true(grepl("Statistic: 3.2", out_pos), info = "Should correctly handle positive statistic.")
  expect_true(grepl("Statistic: -3.2", out_neg), info = "Should correctly handle negative statistic.")
})

test_that("handles significant and non-significant p-values", {
  out_sig <- format_statistical_results(1.1, 0.02, 0.3, "Significant effect.")
  out_nonsig <- format_statistical_results(1.1, 0.3, 0.3, "No significant effect.")
  expect_true(grepl("p-value: 0.02", out_sig), info = "Should correctly handle significant p-value.")
  expect_true(grepl("p-value: 0.3", out_nonsig), info = "Should correctly handle non-significant p-value.")
})

test_main.R

Une introduction pratique à la programmation R conçue pour les biologistes et les bioinformaticiens. Apprenez à analyser, visualiser et interpréter des données biologiques avec R, à l'aide d'exemples concrets issus de la génomique, de l'écologie et de la biologie expérimentale.

Apprenez les bases de la programmation R avec un accent sur les données biologiques, y compris les variables, les types de données et la manipulation de données de base.

Plongez dans les méthodes statistiques pour analyser des données biologiques, y compris les statistiques descriptives, les tests d'hypothèses et l'interprétation des résultats.

Maîtriser l'art de la visualisation des données biologiques avec R, des graphiques de base aux visualisations avancées pertinentes pour les expériences.

Apprenez à travailler avec des données de type génomique et à développer des flux de travail reproductibles pour la recherche scientifique avec R.

Challenge: Rapport des Résultats Biologiques

Solution